基于HHO-LSTM-KAN模型的锂电池寿命预测

来源：南京信息工程大学学报·自然科学版杂志2026年第3期北京时间：

作者：焦鑫航，杨立清，李忠虎

单位：焦鑫航,内蒙古科技大学 自动化与电气工程学院, 包头, 014010,杨立清,内蒙古科技大学 自动化与电气工程学院, 包头, 014010,李忠虎,内蒙古科技大学 自动化与电气工程学院, 包头, 014010

摘要：在以锂电池为动力的运行系统中,长期准确预测锂电池寿命至关重要.本研究以马里兰大学锂电池数据集中的CS2_35和CS2_36两块锂电池及美国国家航空航天局(NASA)的B0007号电池作为基础数据,通过结合长短时记忆(Long Short-Term Memory,LSTM)网络的长短时记忆能力与Kolmogorov-Arnold网络(KAN) 的非线性数据处理能力,构建LSTM-KAN寿命预测模型,同时引入哈里斯鹰优化算法确定组合模型最优超参数.首先,对数据进行预处理,从电压、电流、温度等数据中提取与锂电池容量具有一定相关性的特征.接着,从提取的特征中选择斯皮尔曼系数绝对值大于0.9的特征作为模型的输入,简化输入数据的复杂度.然后,通过哈里斯鹰优化算法对LSTM-KAN模型的超参数进行优化,将数据放入优化后的预测模型中进行预测,对预测值与目标值进行分析,完成预测.实验结果表明,所构建的预测算法具备锂电池寿命预测能力,能够准确预测锂电池的长期退化过程,且均方差指标与预测样本数均优于其他电池寿命预测模型.

关键词：锂电池;长短时记忆网络;Kolmogorov-Arnold网络;哈里斯鹰优化算法;特征提取;电池寿命

基金资助：国家自然科学基金(62161042)